HMM学习心得

最新推荐文章于 2024-09-17 17:29:40 发布

向阳争渡

最新推荐文章于 2024-09-17 17:29:40 发布

阅读量353

点赞数

CC 4.0 BY-SA版权

分类专栏： NLP 文章标签： HMM

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/yangyang_yangqi/article/details/88661444

NLP 专栏收录该内容

19 篇文章

订阅专栏

本文介绍了隐马尔可夫模型（HMM），它由初始状态概率向量、状态转移概率矩阵A和观测概率矩阵B决定。阐述了HMM的两个基本假设，指出适合HMM解决的问题特点，还列举了一般运用HMM解决的三类问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

HMM由初始状态概率向量 $\pi$ 、状态转移概率矩阵A和观测概率矩阵B决定。

初始状态概率矩阵 $\pi$ = $P\left ( ^{i_{1}}=^{q_{i}} \right )$ 是时刻t=1处于状态 $q_{i}$ 的概率
初始状态概率 $\pi$ 与状态转移概率矩阵A决定了影藏的隐马尔科夫链，生成了不可观测的状态序列
观测概率矩阵B决定了如何从状态生成观测

HMM模型的两个基本假设：

隐藏的马尔科夫链在任意时刻t的状态只依赖于其前一时刻的状态，与其他时刻的状态、观测、时刻t均无关(状态转换只与前一状态有关)
任意时刻的观测只依赖于这一时刻的马尔科夫链的状态，与其他观测、状态无关(观测结果只与隐层状态有关)

适合HMM解决的问题一般都有两个特点：

问题是基于随着时间序列或者状态序列变化而变化的
问题中有两类数据：一类是可观测数据，即随着时间序列或者状态序列变换得到的观测序列；一类是不可观测序列，即隐状态序列

隐马尔科夫模型示意图如下：

一般运用HMM解决的问题：

知道隐状态类别数目k，知道隐状态的转换概率，利用输出的观测序列，想要知道每次的隐藏状态
知道隐状态类别数目k，知道隐状态的转换概率，利用输出的观测序列，想要知道得出这个输出序列的概率
知道隐状态类别数目k，不知道隐状态的转换概率，利用输出的观测序列(数据量可观)，想要反推出隐状态的转换概率

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。